HAL Id: tel-03165839
https://tel.archives-ouvertes.fr/tel-03165839
Submitted on 11 Mar 2021HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Operations Planning
Guillaume Martin
To cite this version:
Guillaume Martin. Contrôle dynamique du Demand Driven Sales and Operations Planning. Autre [cs.OH]. Ecole des Mines d’Albi-Carmaux, 2020. Français. �NNT : 2020EMAC0010�. �tel-03165839�
THÈSE
THÈSE
en vue de l’obtention du
DOCTORAT DE L’UNIVERSITÉ DE TOULOUSE
DOCTORAT DE L’UNIVERSITÉ DE TOULOUSE
délivré par
IMT – École Nationale Supérieure des Mines d’Albi-Carmaux
présentée et soutenue par
Guillaume M
ARTIN
le 10 novembre 2020
Contrôle dynamique du Demand Driven Sales and
Operations Planning
École doctorale et discipline ou spécialité : EDSYS : Génie industriel
Unité de recherche :
Centre Génie Industriel, IMT Mines Albi Directeur(s) de Thèse :
Matthieu LAURAS, Professeur, IMT Mines Albi Pierre BAPTISTE, Professeur, Polytechnique Montréal
Autres membres du jury :
Gülgün ALPAN, Maître de conférences HDR, Université Grenoble-Alpes, (Rapporteur) Nikolay TCHERNEV, Professeur des universités, Université Clermont-Auvergne, (Rapporteur)
Xavier DELORME, Professeur, IMT Mines Saint-Étienne, (Examinateur) Xavier LORCA, Professeur, IMT Mines Albi, (Président)
Damien TRENTESAUX, Professeur, Université Polytechnique Hauts-de-France, (Examinateur) Damien BROCHARD, Directeur de mission, AGILEA, (Invité)
Contemplez ici les noms de ceux sur qui tout le présent travail repose. Chacun d’eux est une pierre, petite ou grande, brute ou bien taillée. Par petits interstices ou par pans entiers, ils sont venus compléter cet humble projet. Les sincères remercie-ments que voici s’adressent à chacun d’eux.
Les premiers vont à mes deux directeurs de thèse, Matthieu et Pierre. Je ne doute pas qu’ils se sentent libérés du désespoir que je leur ai fait subir, le premier par ma grande circonspection pour ce qui touche à l’industrialisation, et le second pour mes plans scientifiques grandioses parfois peu fondés. Merci à eux pour m’avoir laissé poursuivre mes idées en plaçant juste les garde-fous nécessaires. Cependant, maîtres à penser, ne vous réjouissez pas trop vite, car l’avenir promet encore des collaborations !
Seconds seulement parce qu’ils n’apparaissent pas sur la couverture, je souhaite remercier particulièrement Jacques et Romain pour la part qu’ils ont pris dans l’avancement de ces travaux. On ne louera jamais assez la fine connaissance que Jacques a accumulé sur son sujet et la façon qu’il a de la transmettre. On ne remerciera jamais assez Romain pour les talents d’intermédiaire et de diplomate qu’il a su mobiliser. Et on n’oubliera pas la disponibilité et l’énergie qu’ils ont bien voulu apporter au projet.
Je remercie également Gülgün Alpan et Nikolay Tchernev pour avoir, en tant que rapporteurs, accepté de relire en détail le manuscrit. Ils ont un double mérite : celui d’avoir su lever des zones d’ombre dans ma proposition et celui d’avoir eu le courage de traverser ces travaux présentés, il faut l’avouer, de manière bien aride.
Il faut aussi remercier Xavier Lorca, et pas seulement pour avoir joué les présidents au pied levé pendant la période des soutenances en semi-présentiel. Il faut surtout le remercier parce qu’il a accepté que j’envahisse son bureau et ses tableaux avec mes questions. Il faut enfin lui accorder du crédit parce que je lui ai mené la vie dure depuis qu’il est arrivé (et que je n’ai pas l’intention d’arrêter).
En tant qu’examinateurs d’abord, il me faut remercier Xavier Delorme et Damien Trentesaux. En tant que chercheurs ensuite, je suis heureux d’avoir pu leur présenter mes travaux et j’espère leur avoir apporté un point de vue intéressant sur le problème.
Je remercie globalement toute l’équipe d’Agiléa pour leur aide sur le sujet et pour le temps qu’ils ont passé à subir mes présentations. Spécifiquement à Damien, Isabelle, Bernard et Anthony qui, j’espère, ne seront pas trop froissés parce qu’on dit des "experts" dans le manuscrit. Et puis encore à Philippe, Guillaume, Thomas, Thomas et Romain (qui n’ont rien à voir avec Thomas et Romain mentionnés précédemment), François, et tous les autres.
Certains de mes collègues méritent une place particulière dans ces remerciements : de petits morceaux de leur savoir sont disséminés dans les travaux qui suivent. Ils m’ont aidé à développer ce que je ne pouvais pas faire seul ou bien ils m’ont permis d’éclaircir ma pensée. Il s’agit de Guillaume, de Jean-Baptiste, de Raphaël, de Sina, de Manon, d’Eva, de Robin, de Julien, de Julien et de Firas.
Il existe un cercle encore plus large de gens à remercier parce que leur amitié et leur bonne humeur a rendu cette expérience bien plus intéressante : Aurélie,
Aurélie, Anne-Marie, Paul, Antoine, Delphine, Nicolas, Sébastien, Alexis, Frédérick, Alexandre, Marine, Thibaut, Quentin, Manon, Laura, Shaddan, Hamidreza, Ibrahim, Rania, Mali, Jiayao, Liwen, François, Ioana, Franck, Elyes, Jean-Dav, Michel, Didier, Daouda, Isabelle, Claude et, bien sûr, Marlène.
Pour terminer, ma famille a mes éternels remerciements. Je les tiens pour respon-sables de tout ceci !
Ici s’arrêtent les superlatifs, ici commence l’humble admiration. Le dernier remer-ciement de ce manuscrit est pour Audrey. Par une suite d’accidents et d’heureux hasards, c’est elle qui m’a montré le chemin de la recherche. Son influence sur ce travail est partout, à tel point que je ne saurais les séparer : dans les méthodes, dans les figures, dans les pieds de pages, vous la trouverez. Si j’ai encore le bonheur de pouvoir travailler avec elle dans un lointain futur, je serai un homme comblé.
Remerciements i
1 Introduction 1
2 État de l’art pour le paramétrage dynamique du DDS&OP 5
2.1 Cadre théorique du problème . . . 5
2.2 Fonctionnement d’un atelier DDMRP . . . 6
2.2.1 Positionnement stratégique des buffers . . . 8
2.2.2 Dimensionnement initial des buffers . . . 10
2.2.3 Mise à jour des tailles de zones en suivant la demande . . . . 12
2.2.4 Planification des ordres de réapprovisionnement . . . 13
2.2.5 Exécution des ordres de fabrication . . . 14
2.2.6 Identification des paramètres du modèle opératoire . . . 15
2.3 Paramétrage dynamique d’un atelier DDMRP . . . 16
2.3.1 Le paramétrage dans la littérature spécifique au DDMRP . . 16
2.3.2 Étude des thématiques de publications autour du DDMRP . 20 2.3.3 Conclusion sur les références spécifiques au DDMRP . . . 23
2.3.4 Paramétrage dynamique pour les méthodes proches de DDMRP 24 2.3.5 Retours d’experts sur le paramétrage dynamique d’un atelier DDMRP . . . 38
2.3.6 Conclusions sur le paramétrage dynamique d’un atelier DDMRP 44 2.4 Positionnement des travaux de recherche . . . 44
3 Contrôle dynamique du DDS&OP 47 3.1 Méthode et plans d’expériences . . . 48
3.1.1 Comportement minimal d’un modèle opératoire DDMRP . . 48
3.1.2 Construction du plan d’expériences . . . 49
3.1.3 Définition des facteurs et des niveaux . . . 51
3.1.4 Métrique d’évaluation d’une expérience . . . 61
3.1.5 Vue d’ensemble du plan d’expériences . . . 62
3.2 Construction du cas d’école . . . 64
3.2.1 Description du cas d’école . . . 64
3.2.2 Construction des données de demande . . . 65
3.3 Construction de l’environnement de simulation . . . 70
3.3.1 Choix techniques pour la base d’expériences . . . 70
3.3.2 Construction de la base de simulation . . . 73
3.3.3 Vérification et validation de la simulation . . . 75
3.4 Analyse des résultats expérimentaux . . . 76
3.4.1 Effets des facteurs sur les performances . . . 76
3.4.2 Discussion et recommandations sur le cas d’école . . . 85
4 Implémentation sur le cas industriel 91 4.1 Modélisation du cas industriel et application des résultats théoriques 91
4.1.1 Présentation du contexte et modélisation . . . 91
4.1.2 Données mises à disposition . . . 94
4.1.3 Modélisation des paramètres manquants . . . 97
4.2 Scénarios de performance du cas industriel . . . 99
4.2.1 Résultats expérimentaux . . . 99
4.2.2 Discussion des résultats industriels . . . 105
4.3 Conclusions sur la généralisation des résultats à un cas industriel . . 106
5 Conclusion 109 5.1 Bilan des contributions . . . 109
5.2 Perspectives de recherche . . . 112
5.3 Perspectives industrielles . . . 116
6 Épilogue 119
Glossaire 122
A Nomenclatures du cas d’école 131
B Temps machines du cas d’école 133
C Données de validation du simulateur 135
D Effets supplémentaires des facteurs du plan d’expérience 137
CHAPITRE
1
Introduction
[Le DDMRP] est partout. Il nous enveloppe, même dans cette pièce. Tu peux le voir quand tu regardes par la fenêtre, ou quand tu es devant
la télévision. Tu sens sa présence quand tu vas travailler, quand tu vas à l’église, quand tu payes tes impôts.
– Morpheus, Matrix (1999) François est assis derrière son bureau et interroge les courbes verte, jaune et rouge de son écran. Il doit bien reconnaitre que les arguments du consultant qui est venu déployer le projet Demand Driven Materials Requirement Planning (DDMRP) dans son atelier de production étaient prometteurs. Qui refuserait une baisse de 30% sur les stocks et une augmentation de la qualité de service ? Mais voici un an que la nouvelle méthodologie a été mise en place et, François doit bien se l’avouer, les résultats ne sont pas nécessairement au rendez-vous.
Bien sûr, dans les premiers mois, la nouveauté des concepts de cette nouvelle façon de travailler a motivé un bon nombre de membres de son équipe et même son supérieur, qui y a vu des perspectives financières alléchantes. On a pris des rendez-vous, organisé des visites et suivi des formations. Pour se rassurer et se préparer, on a même passé des certifications sur le sujet.
Avant, dans l’atelier, c’étaient les prévisions de ventes qui faisaient la pluie et le beau temps. Personne ne travaillait sur quelque chose qui n’était pas dans le plan de production. Et si quelqu’un en réunion glissait une remarque sur le fait que les prévisions étaient régulièrement fausses, on lui rétorquait que c’était le standard de l’industrie et qu’il n’y avait pas mieux. Ça a été un choc quand le consultant a expliqué la nouvelle méthode de travail : finis les plans de production non modifiables sur deux semaines et les quantités gigantesques de sur-stock juste au cas où. On allait procéder différemment :
— tout d’abord, le consultant a expliqué la nécessité de placer des stocks straté-giques de certaines pièces et de les dimensionner de façon à toujours pouvoir servir la demande,
— ensuite, il a détaillé le passage à un mode de travail en "flux tiré", dans lequel on travaillerait uniquement en fonction du niveau de ces nouveaux stocks stratégiques.
Alors, François et son équipe se sont mis au travail et ont décidé des références stratégiques à stocker. Selon les formules qu’ils ont vues en formation, ils ont pu dimensionner ces fameux stocks pour répondre à leurs clients. Rassuré, François s’est dit qu’avec tout ça, ils étaient armés pour mieux faire fonctionner l’atelier.
Au premier anniversaire du projet, la lune de miel est finie. François voit bien que le dimensionnement des stocks ne répond plus nécessairement à la réalité de l’atelier. Ce n’est pas que l’atelier lui-même ait changé, simplement les clients évoluent. Il voit
bien qu’on stocke stratégiquement des pièces inutilisées et que d’autres sont devenues essentielles et toujours en rupture. Un bref échange avec le consultant l’a aidé à voir d’où venait le problème : il semblerait que les stocks doivent être dimensionnés à échéances régulières en appliquant les méthodes vues en formation, c’est-à-dire en modifiant la valeur des paramètres qui mènent au dimensionnement des stocks stratégiques. François sait que ce sera difficile : il y a bien trop de produits à traiter en même temps et chacun possède ses propres paramètres. Comment pourrait-il savoir quels paramètres changer dans l’atelier pour conserver sa compétitivité ?
Le cas de François n’est malheureusement pas isolé. Dans un contexte économique qui subit de plus en plus de perturbations (évolutions dans la demande, besoins toujours plus difficiles à prévoir qu’ils sont la conséquence de faits très éloignés ...), les entreprises de production et de distribution doivent s’appuyer sur des méthodes de gestion agiles si elles souhaitent résister. La gestion des flux est rendue d’autant plus complexe que les sources d’incertitudes générées par ces perturbations se multiplient en nombre et en amplitude. L’apparition ces dernières années des méthodes Demand Driven, rassemblées au sein d’un cadre théorique nommé Demand Driven Adaptive Enterprise (DDAE) (Ptak & Smith,2018), tente de résoudre ce problème.
Le cadre théorique DDAE est né des améliorations successives portées à la méthodologie initialement nommée DDMRP. Il définit trois horizons de gestion :
— le DDMRP (ou Demand Driven Operating Model (DDOM) selon les versions) lui-même est centré sur la gestion des ordres de fabrication, d’approvisionne-ment et de distribution, ainsi que sur le suivi des stocks physiques,
— le Demand Driven Sales and Operations Planning (DDS&OP) est en charge du dimensionnement des stocks en fonction du temps, mais pour cela, il a besoin d’un certain nombre de règles de mise à jour et, enfin,
— l’Adaptive Sales and Operations Planning (AS&OP) a pour mission de prendre les décisions stratégiques pour l’entreprise comme le dimensionnement des ressources ou la mise sur le marché de certains produits.
L’intérêt industriel pour le DDMRP va croissant. La hausse du nombre de projets de déploiements dans les industries le montre (Bahu et al.,2019), accompagnée par le fait que la méthode s’étoffe d’année en année, sous l’impulsion du Demand Driven Institute (DDI)1. Mais l’intérêt n’est pas uniquement industriel, il est également scientifique. Depuis la parution de Ptak & Smith (2011), on note une croissance certaine des publications proposant des contributions au DDMRP, comme le montre la figure1.1. On y retrouve les publications faites par le DDI en 2011 et 2013 qui ont lancé le sujet. La communauté scientifique a démarré les travaux de recherches à partir de 2015. L’accélération de l’intérêt se concrétise après la parution, en 2016 et 2017 d’un ensemble de mises à jour ayant pour objectif de faire évoluer le DDMRP vers le DDAE (Ptak & Smith,2016;Smith et al.,2017).
La promesse de performance du DDMRP repose en grande partie sur l’utilisation de ce que l’on appelle des points de découplage (Miclo et al., 2019). La raison d’être de ces points de découplage est de pouvoir créer un tampon entre la consommation d’une référence et sa fourniture (Blackstone, 2008). Une des spécificités du DDMRP est de proposer un dimensionnement dynamique afin de suivre les évolutions du marché. À chaque étage de gestion du DDAE, le DDI met d’ailleurs l’accent sur l’importance de l’adaptation. Cependant, un problème subsiste : étant donné la 1. Le DDI est l’organisme au centre de la logique d’évolution de la méthode. Il est également garant des certifications que proposent les différentes sociétés formatrices à travers le monde.
2011 2012 2013 2014 2015 2016 2017 2018 2019
Année
0
2
4
6
8
Somme des publications
annuelles
thèses Mise à jour du DDMRP Publication du DDAEFigure 1.1 – Publications scientifiques contribuant au DDMRP Journaux, conférences et livres. Données extraites des bases WOS, T&F et Wiley avec les mots-clés "DDMRP" ou "Demand Driven MRP".
complexité et le nombre croissant des produits à gérer pour une même entreprise, comment s’assurer que l’on utilise les règles d’adaptation les plus pertinentes pour chaque étage du DDAE ?
Au niveau opérationnel, l’adaptation dynamique d’un atelier géré en DDMRP réside dans la mise à jour des dimensions des points de découplage. Ceci suppose d’évaluer régulièrement l’écart entre situation précédente et situation actuelle, que ce soit pour l’atelier ou pour la demande. En échouant à dimensionner dynamiquement les points de découplage, on court alors le risque de ne plus être en accord avec la réalité de la demande client ou avec les processus industriels mis en œuvre. Une grande partie des paramètres dynamiques qui régissent le dimensionnement des points de découplage d’un atelier géré en DDMRP est fixée par l’étage du DDS&OP, si on suit les recommandations du DDI. C’est également au DDS&OP qu’il revient de choisir comment faire évoluer les paramètres avec les changements de la demande ou du processus de production. Dans cette position, le DDS&OP se trouve avoir un impact potentiellement important sur les performances de l’atelier. Comment, donc, faire en sorte que les praticiens puissent choisir les règles les plus pertinentes pour l’adaptation des paramètres et comment maîtriser leurs effets dans un atelier complexe comportant de nombreux produits ?
Les motivations d’entreprendre un travail de recherche centré sur le problème des règles d’adaptation du DDS&OP sont doubles :
— d’une part, pour les entreprises qui ont décidé de mettre en place un fonction-nement suivant les principes du DDMRP, un mauvais dimensionfonction-nement des points de découplage représente soit une immobilisation de capitaux consi-dérable, soit une mise en danger du niveau de service, selon que les stocks sont sur ou sous-dimensionnés, et le DDS&OP peut fortement impacter ce dimensionnement,
— d’autre part, contrairement aux exemples simples utilisés le plus souvent pour expliquer le fonctionnement d’un modèle opératoire DDMRP, le diagnostic et
le paramétrage dynamique d’un ensemble de stocks dans un atelier de taille réelle est une activité chronophage et incertaine.
Partant de ce constat, on se propose de résoudre la problématique industrielle suivante : comment aider le/la responsable du Demand Driven Sales & Operations Planning à paramétrer dynamiquement son atelier, alors que son écosystème évolue dans le temps ?
On visera, par ce travail de recherche, à répondre à cette question de la façon suivante. Dans un premier chapitre, on traite de l’état de l’art des connaissances se rapportant au problème du paramétrage dynamique d’un atelier DDMRP. Ceci im-pose de rendre compte des précédents travaux portant sur le paramétrage dynamique d’un modèle opératoire afin de bien positionner les contributions de ce manuscrit par rapport aux publications précédentes. On y ajoute une étude de terrain auprès d’experts opérationnels du DDMRP afin d’enrichir les connaissances théoriques et pratiques. Le chapitre suivant s’attache à décrire la mise en œuvre d’une méthode de résolution par simulation sur un cas d’école et décrit les contributions obtenues. Il est suivi par un chapitre élargissant les contributions à un cas industriel réel. Le manuscrit se termine par une discussion des résultats obtenus à travers ces travaux et ouvre sur un ensemble de perspectives académiques et industrielles.
CHAPITRE
2
État de l’art pour le paramétrage
dynamique du DDS&OP
Tout est dit, et l’on vient trop tard depuis plus de sept mille ans qu’il y a des hommes qui pensent. Sur ce qui concerne [le paramétrage], le plus beau et le meilleur est enlevé ; l’on ne fait que glaner après les anciens et les habiles d’entre les modernes.
– Jean de La Bruyère, Les Caractères (1696) L’état de l’art a d’abord pour vocation de passer de la problématique industrielle définie dans l’introduction à un ensemble de questions de recherche. Ensuite, il s’agit dans ce chapitre d’établir un ensemble de connaissances se rapportant au problème du paramétrage dynamique d’un atelier géré par le Demand Driven Materials Requi-rement Planning (DDMRP), vu à travers le prisme des cadres théoriques proches du DDMRP, mais également grâce à l’expérience des praticiens. Enfin, partant de ces connaissances, on définit précisément le problème de recherche de ce manuscrit.
2.1
Cadre théorique du problème
La problématique industrielle décrite dans l’introduction possède plusieurs facettes. D’une part, il s’agit de proposer une ou plusieurs méthodes permettant de rapidement mettre à jour l’intégralité des paramètres d’un atelier et, d’autre part, il faut pouvoir le faire simplement en termes de technicité comme de temps de calcul. Dans le reste de ce manuscrit, on appellera "politiques" les fonctions chargées de mettre à jour la valeur d’un paramètre de l’atelier.
Définition 1. Une politique, ou politique de contrôle, est une fonction qui modifie
la valeur d’un ou plusieurs paramètres dans l’atelier.
Le problème peut alors se réduire aux trois questions industrielles suivantes : QI1 quelles politiques vaut-il mieux appliquer pour redéfinir les paramètres de
l’atelier de façon à assurer des performances suffisantes ?
QI2 le choix de la politique la plus pertinente dépend-il uniquement de l’agence-ment de l’atelier ou égalel’agence-ment de son taux d’utilisation ?
QI3 est-il possible de proposer des politiques simples techniquement et en termes de temps de calcul ?
Pour parvenir à un état de l’art, on passe des questions industrielles précédentes à un ensemble de questions visant à établir la connaissance déjà disponible sur le sujet. Par conséquent, les objectifs de l’état de l’art deviennent :
O1 quels sont les paramètres pertinents qu’il faut fixer pour un modèle opératoire géré en DDMRP ? Et quel est leur rôle dans le fonctionnement opérationnel de l’atelier ?
O2 quels sont les paramètres équivalents à fixer dans les méthodes dont le DDMRP dit hériter ? Cette partie de l’étude se limitera aux trois principaux cadres théoriques qui régissent la méthodologie, à savoir le Material Require-ments Planning (MRP), la gestion des systèmes à cartes de production et la Théorie des contraintes (TOC).
O3 quelles méthodes de résolution permettent la redéfinition des paramètres d’un modèle opératoire DDMRP pouvant être complexe (grand nombre de paramètres et espace de recherche important) ? Celles-ci sont-elles viables dans la maille de temps du Demand Driven Sales and Operations Planning (DDS&OP) ?
Pour évaluer les connaissances sur ces trois questions, l’état de l’art est divisé en deux sections principales. La section 2.2commence par une explication détaillée des principes du DDMRP nécessaires à la compréhension du DDS&OP. Celle-ci contient la revue des publications spécifiques au DDMRP. Cette partie vise à identifier les paramètres et les politiques existantes du DDMRP à prendre en compte dans la suite des travaux de recherche, ainsi qu’à expliquer leurs rôles. Il se poursuit avec la section 2.3 consacrée à l’étude du paramétrage dynamique d’un atelier géré en DDMRP. Cette section complète l’état de l’art concernant la mise à jour des paramètres de l’atelier grâce à la littérature des théories voisines du DDMRP. Cependant, on se restreindra aux paramètres proches de ceux identifiés dans la partie précédente. Cette section inclut également une partie dédiée à l’étude du problème vu depuis l’angle des praticiens, afin d’enrichir l’état de l’art académique par des connaissances venues de l’expérience industrielle. On veillera également à évaluer les méthodes de résolution utilisées dans les publications retenues.
2.2
Fonctionnement d’un atelier DDMRP
Supposons un atelier de production dont un exemple est donné en2.1. Ce dernier est composé d’un ensemble de ressources de production, qu’il s’agisse d’hommes ou de machines, d’un ensemble de produits, reliés entre eux par des nomenclatures et des gammes de production, et enfin, des stocks physiques de ces produits.
Gérer cet atelier selon les principes du DDMRP revient à mettre en œuvre deux principes majeurs. Il s’agit d’introduire (ou de remplacer) des stocks de découplage entre fourniture et consommation de certaines références et ce, afin de limiter la transmission le long de la chaîne de production des effets d’incertitudes. Ensuite, il faut gérer la production de cet atelier de manière hybride. On entend par hybride une gestion de production qui fait intervenir à la fois un flux de production tiré par la demande et un flux poussé d’ordres de production. Pour les références gérées grâces aux stocks de découplage, l’utilisation d’un flux tiré par la demande assure qu’on relâche des ordres de production uniquement lorsque le niveau du point de découplage est suffisamment bas, par opposition à une production sur prévisions. Entre les points de découplage, on utilise une priorité basée sur le taux de remplissage des stocks de découplage pour sélectionner l’ordre à effectuer. Plus le stock est bas,
M1 M2
P1
P2 MP
Figure 2.1 – Exemple simplifié d’atelier de production
Un agencement simplifié d’atelier. Les produits finis P1 et P2 sont fabriqués à partir de la matière première MP. Un lien de nomenclature possible est 1 :1 pour chaque produit. La matière première passe par les machines (ressources de production) M1 puis M2. Par défaut, on compte trois stocks physiques (MP, P1 et P2).
M1 M2 P1 P2 MP 87% plein 23% plein 58% plein
Flux tiré : ordre de production relâché
Flux poussé : FIFO d'une machine à l'autre
Figure 2.2 – Gestion hybride de la production dans l’atelier simplifié Le stock de produits P1 est trop bas, on décide de relâcher un ordre de production. La gestion en flux tiré fait parvenir l’ordre au stock de matières premières qui doit sortir la quantité correspondante de matière, constituée en lot de production (carré gris sur l’image). En flux poussé, les machines traitent les lots de production et les envoient à la station suivante (machine ou stock) dès qu’elles ont terminé. Dans le cas de notre atelier simplifié, la règle de priorisation utilise le taux de remplissage des stocks. On a ajouté une file d’attente aux machines pour représenter les lots en attente de traitement. On notera que la notion de "trop bas" dépend de la méthode utilisée. Pour le DDMRP, on la détaillera plus bas.
Buffer physique Buffer de temps Buffer de capacité
Figure 2.3 – Représentations des types de buffers d’un atelier DDMRP
plus la priorité est élevée. Dans le cas de l’exemple simplifié, on pourra se référer à la figure2.2 qui détaille la gestion hybride. On peut y voir les deux modes de gestion des ordres en action : le flux tiré régit les interactions entre stocks de découplage et le flux indexé sur la priorité des stocks de découplage assure le déplacement des ordres d’un point à l’autre.
La gestion opérationnelle d’un atelier de production régi par la méthodologie DDMRP est décrite principalement par Ptak & Smith (2011, 2016). Ces sources proposent d’ajouter à la structure initiale de l’atelier de production trois concepts supplémentaires, dont les représentations sont issues de Ptak & Smith (2016) et rappelées en2.3. Ils ont pour fonction commune d’amortir la variabilité pour protéger le flux de production. Ces concepts portent les noms de buffers, et ils sont définis comme suit :
— un buffer de stock physique, qui est équivalent au stock de découplage décrit plus haut, et qui peut être amené à remplacer les stocks déjà présents. — un buffer de temps, dont l’objectif est de mettre sous surveillance la
consom-mation de temps des activités. Ce faisant il donne un signal à chaque ressource en amont pour prioriser les tâches.
— un buffer de capacité, qui est utilisé pour vérifier la consommation d’un poste de charge non contraint. Il sert à visualiser la capacité restante ou la marge nécessaire.
La mise en place et l’exploitation d’un modèle opérationnel DDMRP nécessitent cinq étapes, deux lors de l’initialisation et trois en cours de vie, encore une fois décrites dansPtak & Smith(2011,2016) :
1. le positionnement stratégique des buffers. Cette étape veille à placer en le justifiant les buffers définis plus haut, selon qu’ils apportent une plus-value au client ou une sécurité nécessaire à l’entreprise. Ils peuvent également représenter un retour sur investissement en créant un accès à un marché particulier (mise à disposition de pièces de rechange, par exemple).
2. le dimensionnement initial des zones des buffers.
3. la mise à jour des tailles de zones de buffers en suivant l’évolution de la demande réelle.
4. la planification des ordres de fabrication. 5. enfin, l’exécution des ordres de fabrication.
2.2.1
Positionnement stratégique des buffers
Parmi les trois types de buffers, seul le buffer de stock physique assure le dé-couplage entre la consommation et la fourniture d’une référence. Il se compose habituellement de quatre zones. La zone verte représente la taille minimale d’un
lot de production, mais également la position de stock1 au-delà de laquelle on ne
recommande pas la référence concernée. La zone jaune représente la consomma-tion moyenne journalière de la référence multipliée par le temps d’obtenconsomma-tion, soit la couverture de la demande pendant un certain laps de temps. La zone rouge de base et la zone rouge de sécurité ont des fonctions proches de celles des stocks de sécurité, mais dont le dimensionnement est spécifique. Ces deux dernières zones sont parfois rassemblées en une seule zone rouge, comme le montre la figure2.3. Le dimensionnement exact de ces zones est donné plus loin.
Le positionnement stratégique des buffers (peu importe leur type) a pour objectif de fournir un avantage à l’atelier qui les met en place. Par conséquent, ils doivent être placés pour se protéger d’un risque ou profiter d’une opportunité.Ptak & Smith (2011) etPtak & Smith (2016) donnent en détails les conditions de placement des
buffers, dont voici les principales.
On veillera à placer les buffers physiques à des points particuliers de la chaîne puisqu’ils ont pour objet de découpler la consommation d’une référence de sa fourni-ture. On peut, par exemple, les placer de façon à assurer une différenciation retardée, ou à réduire la profondeur de pénétration d’une commande. On peut également les placer pour assurer un stock tampon de pièces pour la mise à disposition d’un marché ou d’une ressource contrainte en interne. Pour de plus amples détails, se référer à Miclo et al. (2019) ouJiang & Rim (2016).
Les buffers de temps, quant à eux, servent à visualiser la consommation de temps d’une activité particulière, qu’il s’agisse de production ou de livraison. Ils sont généralement divisés en trois zones de même taille, chacune valant un tiers de la durée à protéger (Ptak & Smith,2016). Ils servent de repères visuels pour l’utilisateur et n’ont pas de mécanisme de réapprovisionnement attaché, par opposition aux buffers physiques. Ils permettent d’alerter sur les retards de planning ou de livraisons.
Enfin, les buffers de capacité surveillent la capacité des ressources non contraintes. Connaître la disponibilité de capacité permet plus de flexibilité pour résoudre les éventuels problèmes d’ordonnancement ponctuels que pourrait avoir l’atelier.Ptak & Smith(2016) nomme ces ressources points de contrôle du système. La taille des zones varie selon les implémentations, mais elle sert principalement à vérifier localement que l’ordonnancement sur une ressource ne dépasse pas sa capacité.
Dans la suite de ces travaux de recherche, on utilisera uniquement des buffers physiques et on fera donc référence à ceux-ci en tant que "buffers". La justification de ce choix se trouve dans la majorité des implémentations DDMRP utilisant uniquement ce type de buffers.
Une proposition d’emplacement de buffers dans l’atelier décrit plus haut est donnée en figure2.4. Dans cet exemple, on propose de placer des buffers de façon à garantir un stock de matières premières MP et assurer aux clients la disponibilité de P1 et P2. Bien évidemment, de nombreuses autres configurations sont possibles selon les types de problèmes et d’ateliers.
M1 M2 MP
P2 P1
Figure 2.4 – Exemple de placement de buffers physiques
On a remplacé les stocks initiaux par des buffers physiques. On aurait pu proposer d’autres configurations, selon les points qui nécessitent un découplage.
Zone verte = Max(CMJ * DLT * LTF, MOQ) Zone jaune = CMJ * DLT
Zone rouge base = CMJ * DLT * LTF Zone rouge sécu. = CMJ * DLT * LTF * VF
Figure 2.5 – Dimensionnement d’un buffer physique selon (Ptak & Smith,2016)
2.2.2
Dimensionnement initial des buffers
Le dimensionnement initial des buffers constitue la seconde étape de la mise en place du modèle opérationnel. Il s’agit de définir les tailles des zones en fonction de la nature des références stockées. Les formules utilisées sont disponibles en figure2.5. Dans cette étape, l’objectif est de proposer un premier dimensionnement en fonction des données de fonctionnement antérieures de l’atelier. Pour un dimensionnement complet, un buffer physique requiert un jeu de quatre paramètres au minimum :
— la Consommation Moyenne Journalière (CMJ) (ou Average Daily Usage (ADU) en anglais),
— le Decoupled Lead Time (DLT), qui est la somme des temps de défilement du plus long chemin cumulé entre le buffer et les références précédentes, qu’il s’agisse d’un autre buffer ou pas,
— le Lead Time Factor (LTF) qui représente la prise en compte des incertitudes sur le temps de parcours réel, comparé au DLT. Il est à noter que plus le temps de parcours est long, plus on prendra un facteur faible.
— le Variability Factor (VF) qui, quant à lui, représente la gestion de l’incertitude sur l’ampleur des demandes. Une incertitude élevée impliquera une valeur de facteur élevée.
Deux autres paramètres peuvent faire leur apparition. D’une part, on peut trouver un paramètre supplémentaire appelé Minimum Order Quantity (MOQ) (ou quantité minimum de commande) qui permet de définir une taille de lot minimale à respecter. Ce paramètre est optionnel et il n’est normalement pas nécessaire de définir de taille
1. Dans l’ensemble de ces travaux de recherche, le terme position de stock utilisé est celui utilisé parPtak & Smith(2016) et qui se base sur les travaux deJohnson & Montgomery(n.d.), auxquels on ajoute la prise en compte des pics de demandes. Plus de détails sur les pics dans la sous-section
de lot dans un système géré en DDMRP. D’autre part, si on souhaite regrouper les références en familles pour plus de facilité, on peut alors utiliser des "profils". Ces profils permettent de grouper l’attribution des valeurs de LTF et de VF (Ptak & Smith,2016). Le regroupement se fait selon trois aspects :
— selon si le produit est acheté, fabriqué ou distribué,
— selon la catégorie délais du produit (trois catégories proposées par défaut) — et selon la catégorie de variabilité des temps de parcours des produits
(égale-ment trois catégories proposées par défaut).
Chaque produit est placé dans une des cases de ce cube et les produits d’une même case se voient attribuer des jeux de paramètres en partie identiques (pour le LTF et le VF a minima). On trouvera dans le tableau 2.1 un exemple de valeurs pour un produit fabriqué. Les valeurs sont celles proposées par (Ptak & Smith, 2016) mais restent indicatives.
(LTF / VF) DLT faible DLT moyen DLT élevé
Variabilité demande faible (0.2/0.6) (0.2/0.4) (0.2/0.2)
Variabilité demande moyenne (0.4/0.6) (0.4/0.4) (0.4/0.2)
Variabilité demande élevée (0.6/0.6) (0.6/0.4) (0.6/0.2)
Table 2.1 – Exemple de valeurs de LTF et VF pour un produit fabriqué On prêtera attention au LTF, inversement proportionnel à la valeur du DLT. Cette solution permet de réduire la taille des zones et d’assurer de petits approvisionne-ments réguliers des références à long délai.
Dans cet exemple, un produit ayant un DLT élevé et une faible variation de demande moyenne aura donc un LTF de 0,2 et un VF de 0,2.
Une fois le dimensionnement terminé, on obtient pour chaque buffer les quatre valeurs suivantes, reprises dans la figure 2.6:
— Top Of Red Safe (TORS) correspond à la taille de la zone rouge de sécurité, — Top Of Red Base (TORB) correspond à TORS à laquelle on ajoute la taille
de la zone rouge de base,
— Top Of Yellow (TOY) correspond à TORB à laquelle on ajoute la taille de la zone jaune,
— et enfin, Top Of Green (TOG) correspond à TOY à laquelle on ajoute la taille de la zone verte.
Les TORS et TORB alertent sur un taux de remplissage bas des buffers et permettent de visualiser la priorité d’un réapprovisionnement. Le TOY est le seuil qui déclenche les réapprovisionnements. Enfin, le TOG correspond au seuil de recom-plètement des ordres.
On prêtera attention aux publications qui mentionnent le terme "zone rouge" comme étant directement la somme des deux zones rouges, notamment les travaux de Lee & Rim(2019), qui définissent une autre fonction de calcul de la taille des zones. On retrouve également mention chez Ptak & Smith(2016) de l’existence d’une zone bleue, définie comme la zone située au-dessus du TOG. Cette zone ne possède pas de taille et représente seulement le fait qu’on a reçu plus de pièces que n’en attend normalement le buffer.
TORS TORB
TOY TOG
Figure 2.6 – Relations entre les différents "Top Of ..." d’un buffer physique Les "Top Of ..." d’une zone sont toujours définis comme la somme des zones précédentes, à laquelle on ajoute la taille de la zone considérée. A ne pas confondre avec les tailles des zones elles-mêmes.
2.2.3
Mise à jour des tailles de zones en suivant la demande
Au cours du temps, la demande de chaque produit peut évoluer. Selon la métho-dologie définie parPtak & Smith (2016), il faut alors faire évoluer les paramètres de chaque buffer, afin que les tailles de zones soient mises à jour. Ptak & Smith (2016) prévoient deux manières de faire évoluer la CMJ. Si on dispose de prévisions de demande, on peut recalculer les tailles de zones à partir de l’historique et de ces prévisions. Si on ne dispose pas de prévisions, on peut utiliser seulement l’histo-rique des demandes et intégrer un facteur d’ajustement planifié de la demande si on connait dans les grandes lignes son comportement. Une fois les nouvelles valeurs des paramètres obtenues, on applique les formules de dimensionnement vues plus haut. La fréquence de mise à jour n’est pas sensée descendre en-dessous de la semaine (Ptak & Smith,2016). La figure2.7 montre un exemple d’évolution des tailles de
zones de deux produits finis, en suivant les changements de demande.
Figure 2.7 – Dimensionnement dynamique des zones
Un changement dans la demande moyenne (CMJ, non représentée sur ce graphe) induit un changement des tailles de zones dans la foulée. Chaque jour, la CMJ est recalculée et détermine la nouvelle taille des zones des buffers. C’est la mise à jour dynamique qui permet aux buffers de suivre l’évolution de la demande des clients.
0 1 2 3 4 5 6 7 8 9 jours qté Demande quotidienne prise en compte 0 1 2 3 4 5 Pic pris en compte Seuil de détection Horizon de détection
Figure 2.8 – Calcul de la demande qualifiée d’un produit
Le graphe reprend l’horizon des demandes fermes d’un atelier, avec les jours à venir en abscisses et les quantités de commandes en ordonnées. La demande qualifiée totale est ici (au jour 0) de 9 unités. Le pic attendu au jour 8 est hors horizon, il n’est donc pas pris en compte. Il faut noter que le pic détecté au jour 5 est gardé dans l’horizon des demandes pour les jours suivants, mais pas pris en compte dans les demandes qualifiées, de manière à ne pas le compter plusieurs fois.
2.2.4
Planification des ordres de réapprovisionnement
L’étape de planification des ordres de fabrication vise à décider quelles références sont à produire et en quelles quantités. Cette étape est assurée par un double mécanisme : le calcul des demandes dites "qualifiées", suivi de la décision de production. Dans le contexte du DDMRP, le terme de demande qualifiée fait référence à la demande ferme au sein d’un horizon d’exécution, à laquelle s’ajoutent les éventuels pics de consommation des jours à venir.Ptak & Smith (2016) proposent la journée comme maille d’exécution, mais celle-ci dépend potentiellement de la fréquence des décisions de production qui peut varier selon l’environnement. Pour Ptak & Smith (2016), un pic est qualifié comme tel selon trois conditions :
— il doit porter sur une demande ferme,
— il doit être détecté dans un horizon appelé horizon de détection des pics, — il doit dépasser une valeur équivalente au seuil de détection des pics.
Un exemple de calcul de demande qualifiée est donné en figure 2.8. Dans cet exemple, la demande qualifiée est de 9 unités (3 pour la demande quotidienne et 6 pour le pic identifié au sein de l’horizon). Le pic en dehors de l’horizon n’est pas pris en compte, tout comme les demandes des jours à venir qui ne dépassent pas le seuil de détection des pics.
Une fois les demandes et les pics qualifiés, ils sont sommés pour chaque référence produit. On doit alors prendre ou non les décisions de production. Pour ceci, on calcule l’équation de flux disponible, plus souvent appelée par son nom anglophone, la Net Flow Equation (NFE). La formule de calcul est issue dePtak & Smith(2016) et rappelée en2.1. Si la NFE est inférieure au TOY, on lance en production un ordre dont la quantité est égale à la différence entre TOG et NFE, comme repris dans l’équation2.2. On considère comme en-cours de production tout ordre de production
Ordres en attente Ordres à recevoir
OF1 OF3
OF2 OF4
Figure 2.9 – Tableau d’exécution visuelle des ordres selon (Ptak & Smith,2016)
L’opérateur doit prioriser OF3, puis OF1. En fonction des ordres à recevoir, il peut également adapter ses décisions.
de cette référence lancé dans le passé et non réceptionné. On donne, sur quelques jours consécutifs, un exemple de décisions de production dans le tableau2.2
NFE = Niveau de stock + En-cours − Demandes qualifiées − Demandes en retard (2.1) Si NFE ≤ TOY alors quantité produite = TOG − NFE (2.2)
Jour 0 1 2 Niveau de stock 15 7 7 En-cours 5 2 11 Demandes qualifiées 9 2 3 NFE 11 7 15 TOY 10 10 10 TOG 18 18 18 Qté lancée en production 0 11 0
Table 2.2 – Décisions de production sur quelques jours
Au jour 1, la position du flux disponible (NFE) est inférieure au Top du Jaune (TOY), on lance un recomplètement pour atteindre le Top du Vert (TOG).
2.2.5
Exécution des ordres de fabrication
Une fois lancés, les ordres de production doivent être exécutés par les ressources de production. Dans la logique DDMRP, l’exécution de production se veut avant tout visuelle. A cette fin,Ptak & Smith(2016) proposent l’utilisation devant chaque poste d’un tableau possédant 10 zones colorées dans lesquelles figurent à la fois la priorité des ordres reçus, mais également des ordres à recevoir. Un exemple de ce tableau est donné en 2.9.
Chaque opérateur peut alors prioriser seul les ordres sur sa machine grâce à la logique suivante. Dans la ligne inférieure du tableau se trouvent les ordres de fabrication actuellement en attente devant sa machine. Le code couleur qui leur est attribué correspond à la marge restante avant la date prévue de réception de l’ordre au prochain point de contrôle. Un ordre dans la case bleue revient à dire que ce dernier est en avance sur le planning. Un ordre entre vert et rouge clair est à l’heure avec divers degrés de marge restante. Un ordre dans la case rouge foncé est
en retard. Dans la ligne supérieure, l’opérateur peut voir quels ordres sont dans les machines précédentes et quelle est leur marge, ce qui lui permet d’anticiper sur les prochaines productions. L’opérateur doit, théoriquement, prioriser les ordres selon le code couleur, sans considération pour leur date de réception. Dans le tableau2.9, l’opérateur devra prioriser l’OF3, qui est en retard.
Bien évidemment, l’utilisation de ce tableau nécessite d’implémenter une planifi-cation de production dans l’atelier, ce qui peut aller à l’encontre d’une production en flux tiré. Deux cas sont donc à prévoir : soit l’atelier dispose d’une activité de planification des ordres sur les machines (scheduling), normalement effectuée au niveau de points de contrôle bien identifiés, auquel cas les machines peuvent utiliser ce tableau, soit l’atelier n’en dispose pas et fonctionne purement en flux tiré par boucles successives entre les buffers physiques. Dans ce cas, on perd alors la notion de date de fin prévue des ordres de fabrication. Il faut alors remplacer le tableau d’exécution visuelle par une politique de traitement des files d’attentes d’ordres de fabrication. Par défaut, cela se traduit par une politique de priorité relative liée au taux de remplissage des buffers du produit concerné (Ptak & Smith,2016).
2.2.6
Identification des paramètres du modèle opératoire
Dans le cadre de notre problème de paramétrage dynamique, on s’intéressera particulièrement aux étapes 2 et 3 (sous-sections2.2.2et2.2.3). A ce stade de l’étude, on peut déjà identifier les paramètres qui définissent le fonctionnement du modèle opératoire DDMRP, ainsi que leur rôle. Ces derniers sont regroupés dans le tableau 2.3 et proviennent des sous-sections2.2.2,2.2.3et 2.2.4. Il nous faut à présent étudier comment se fait le changement de ces paramètres pour s’adapter à la demande.
Paramètre Rôle
CMJ Lisser la consommation d’une référence et la ramener à une
moyenne journalière
DLT Somme des temps de parcours sur le plus long chemin pour une
référence gérée par buffer physique
LTF Facteur d’incertitude inversement proportionnel à la valeur du
DLT
VF Facteur d’incertitude proportionnel à la variation de la demande Horizon de détection
des pics
Horizon au-delà duquel on ne considère plus les demandes fermes Seuil de détection des
pics
Seuil au-delà duquel une commande quotidienne est considérée comme un pic
Profils Chaque produit peut appartenir à un groupe de produits, ce qui permet de définir les valeurs de LTF et de VF de tout un groupe en une seule fois (Ptak & Smith,2016)
MOQ Taille minimale des lots de production
2.3
Paramétrage dynamique d’un atelier DDMRP
2.3.1
Le paramétrage dans la littérature spécifique au DDMRP
2.3.1.1 Intégration du DDMRP dans le Demand Driven Adaptive Enterprise
Le modèle opératoire DDMRP fait partie d’un cadre théorique plus large appelé Demand Driven Adaptive Enterprise (DDAE). Le DDAE, défini pour la première fois par Smith et al.(2017) et élargi parPtak & Smith(2018) se compose du :
— Demand Driven Operating Model (DDOM), l’organe responsable de la gestion des opérations de production, dont fait partie le DDMRP. Le DDOM est en réalité composé de trois blocs. Il regroupe le DDMRP, la planification éventuelle des ordres de fabrication et la gestion de l’exécution des ordres. — DDS&OP, qui se charge de corriger les paramètres opérationnels de production
pour ajuster le modèle à la réalité de la demande,
— Adaptive Sales and Operations Planning (AS&OP), où se prennent les déci-sions stratégiques pour le futur de l’entreprise, comme l’extension de capacité, la mise sur le marché de nouveaux produits ou bien la saisie de nouvelles opportunités de marchés.
Tous les éléments du DDAE sont représentés dans la figure 2.10. On note en vertical les trois étages de gestion d’une entreprise dans le cadre du DDAE. En haut, l’AS&OP est en charge de la prise de décisions stratégiques pour l’entreprise (nouveaux marchés, infrastructures ...). Il utilise pour cela la modélisation de son appareil de production et/ou de distribution fournie par le DDS&OP, par exemple pour un ensemble de scénarios "what if ?". Il en découle un ensemble de directives stratégiques et de principes de gestion de haut niveau destinés à l’encadrement général des étages inférieurs.
Le DDS&OP reçoit et applique ces directives à l’environnement de production et/ou de distribution qui est sous sa responsabilité. Étant donné sa proximité avec le terrain, il est également en capacité de faire remonter à l’étage stratégique des recommandations, telles que la disponibilité de capacités de production pour intervenir sur de nouveaux marchés, ou bien la mise à jour des processus de production pour améliorer la compétitivité globale. Son rôle principal est de faire évoluer son modèle d’environnement pour suivre au mieux les évolutions du terrain. Pour mener à bien cette mission, il récupère les enregistrements de variance des processus opérationnels (écarts dans la demande, les livraisons, la qualité, les temps de parcours, évolutions des zones de buffers et de la position de stock ...). Une fois l’analyse des variations effectuée, il revient au DDS&OP de décider des paramètres du modèle à changer. Ces changements sont ensuite communiqués à l’étage opérationnel (notamment pour la mise à jour des tailles de zones des buffers).
La gestion opérationnelle d’un atelier en DDMRP est assurée par l’étage ap-pelé DDOM. Elle suppose deux entrées : la configuration du modèle de produc-tion/distribution, c’est-à-dire les valeurs des paramètres des buffers et autres pa-ramètres généraux, ainsi que la demande réelle. Initialement en un seul bloc, cet étage est aujourd’hui divisé en trois processus. Le DDMRP se charge de générer les ordres en fonction des demandes réelles. La planification, quand elle est néces-saire, si on souhaite ordonnancer les points de contrôle. Enfin, l’exécution assure la production/distribution effective des ordres.
Elément Horizon Fréquence Granularité Remarques
AS&OP 1 à 5 ans Mensuelle Produit fini ou famille de pro-duits finis
On dispose de peu d’informa-tions concrètes dans la litté-rature sur ce sujet. Ces ca-ractéristiques sont donc en-core sujettes à discussion. Pour plus de détails, se re-porter aux travaux deVidal
et al.(2018), deMartin et al.
(2018a) ou deMartin et al.
(2018b). DDS&OP 2 fois le plus long délai cumulé (mini-mum)
Hebdomadaire Tous les pro-duits gérés par buffer physique
La pertinence des caractéris-tiques est à mettre en paral-lèle avec la valeur du DLT dans l’atelier considéré, de façon à prendre des décisions sur des durées au-delà de ce DLT
DDOM DLT du
produit
Quotidien Tous les
pro-duits
Table 2.4 – Caractéristiques supplémentaires des étages de gestion du DDAE
Elément Horizon Fréquence Granularité
AS&OP 2 ans Mensuelle Famille de produits finis
DDS&OP 3 mois Hebdomadaire Tous les produits gérés par buffer physique (DLT le plus long égal à 1 mois)
DDOM Semaine Quotidien Tous les produits
Table 2.5 – Exemple de caractéristiques pour les étages de gestion
Dans le cadre d’un problème de paramétrage dynamique, les deux éléments clés impactés sont donc le DDS&OP et le DDMRP. Le premier est en charge du contrôle des paramètres et le second renvoie la réponse du système. Ils seront donc au cœur du périmètre de ces travaux de recherche.
Jusqu’ici, on a détaillé uniquement les mécanismes permettant le fonctionnement de l’étage opérationnel appelé DDOM. Il est à noter que chaque étage possède trois caractéristiques supplémentaires : un horizon de prise de décision, une fréquence de mise à jour et une granularité de décision. Ces caractéristiques sont essentielles pour comprendre quelles décisions peuvent être affectées à quel étage de gestion dans le cadre du DDAE et quel est leur impact opérationnel. Elles sont données en détail dans le tableau 2.3.1.1.
On notera que ces caractéristiques sont avant tout indicatives et en aucun cas normatives : il faut adapter la fréquence de prise de décision et la granularité à chaque cas d’application. On propose un exemple (fictif) de caractéristiques dans le tableau 2.3.1.1, pour lequel l’étalon serait le plus long DLT, d’une valeur d’un mois.
Comme représenté dans 2.10, le lien de contrôle entre DDS&OP et DDOM est établi grâce à la configuration du modèle opératoire (autrement dit la décision des valeurs à donner aux paramètres de production définis plus haut) et à
l’enregistre-Demand Driven Adaptive Enterprise Demand Driven Operating Model
Rôle : Gérer les opérations de production en fonction de la demande réelle Directives stratégiques
Adaptive Sales and Operations Planning Rôle : Prise de décisions stratégiques pour le futur de l'entreprise en fonction des
tendances du marché et de l'état du système de production
Configuration du modèle opératoire
Modèle pour projections de performance Recommandations tactiques
Demand Driven Sales and Operations Planning
Rôle : Corriger les paramètres opérationnels de production pour ajuster le modèle à la
réalité, prendre en compte les directives stratégiques, identifier les opportunités
opérationnelles
Ordres de fabrication (optionnel si points de contrôle)
Ordres sans dates (si aucun point de contrôle)
Variances du processus de production
Demand Driven MRP Rôle : Créer les ordres de fabrication en fonction de la
demande réelle
Ordres avec dates prévues (optionnel)
Planification Rôle : Planifier l'exécution des ordres aux points de contrôles
Avancement des ordres Etat réel des stocks
Exécution des ordres Rôle : Exécuter les ordres de
production Demande réelle
Prévisions du marché
Contexte de l'étude
Figure 2.10 – Éléments du Demand Driven Adaptive Enterprise (DDAE) selon (Ptak & Smith,2016)
Catégorie de variation de la demande (faible, moyenne, élevée) Catégorie de délai
(court, moyen, long)
Type de produit (acheté, fabriqué,
distribué)
Figure 2.11 – Cube pour l’association d’un produit à un profil (Ptak & Smith, 2016)
ment des différents types de variances dans le processus (changement des temps de production, dans la demande réelle ...).
2.3.1.2 Identification des paramètres fixés par le Demand Driven S&OP
Comme décrit plus haut, dans le cadre du DDS&OP, on cherche à corriger les paramètres du tableau2.3pour se rapprocher de la meilleure configuration possible. Pour rappel, les paramètres sont : la CMJ, le DLT, le LTF, le VF, les horizons et seuils de détection, la manière de faire ou non les groupes et la MOQ. Pour cela, le DDS&OP doit définir quelles sont les politiques (en tant que fonctions capables de changer la valeur d’un paramètre, voir définition 1) de mise à jour des paramètres et/ou quelle est la politique de regroupement des produits en profils si on utilise le regroupement.
Le rôle des politiques de mise à jour des paramètres des buffers est de changer les valeurs du jeu de quatre paramètres (CMJ, DLT, LTF et VF) pour s’adapter à un changement de contexte dans la demande : évolution dans les quantités, impact sur les temps de parcours ...
Le rôle des politiques de groupement est de faciliter le suivi des paramètres individuels de chaque buffer physique (Ptak & Smith,2016). En regroupant en profils des produits jugés similaires, on leur affecte simultanément la même valeur pour le LTF et le VF. Pour décider de la valeur, on représente les produits d’un profil par un pseudo-produit moyen auquel on affecte les valeurs pertinentes.
La principale source d’information concernant le regroupement de produits en profils se trouve dans (Ptak & Smith,2016). Dans cette source, le regroupement se fait selon les trois dimensions d’un cube comme décrit plus haut. Chaque produit est donc placé dans une des cases du cube et les produits d’une même case se voient attribuer des jeux de paramètres en partie identiques (pour le LTF et le VF a minima). Ce cube est représenté par la figure2.11.
— une politique de mise à jour pour chacun des paramètres CMJ, DLT, LTF et VF (qui peut être de les laisser constants),
— une politique de groupement des produits (qui peut être optionnelle), — une éventuelle politique de changement pour le seuil et l’horizon de détection
des pics, bien que leur caractère dynamique ne soit pas clair chez Ptak & Smith(2011,2016),
— et enfin, une éventuelle politique de mise à jour de la MOQ, dont le caractère dynamique peut être lié à des problématiques d’amélioration continue.
2.3.2
Étude des thématiques de publications autour du DDMRP
Depuis la parution dePtak & Smith(2011), le DDMRP a fait l’objet d’un certain nombre de publications scientifiques, que l’on peut répartir dans cinq catégories principales :
1. un ensemble de publications qui constitue un jeu central de définitions de la méthode,
2. un groupe important de publications qui se concentre sur la clarification des principes de fonctionnement et apporte des détails spécifiques dans le dimensionnement et la mise en place du système,
3. un autre groupe important qui s’attache à comparer l’efficacité du DDMRP par rapport à d’autres méthodes de gestion de production,
4. un jeu plus restreint de publications qui travaille sur le DDMRP selon un point de vue axé sur les processus mis en jeu,
5. et un dernier groupe de publications qui propose des alternatives ou des approfondissements à la théorie telle que décrite dans le jeu de définitions. Un cœur de quatre publications joue le rôle de références en matière de définition des premiers principes du DDMRP. Il s’agit des publications qui décrivent avec le plus de détails la mise en place et le fonctionnement des différents mécanismes. Sans surprise, il s’agit également des publications les plus citées de la littérature, mais également de ce manuscrit, puisqu’elles constituent le point de départ de ces travaux de recherche et qu’on pourra toujours s’y référer pour plus de détails sur les fondamentaux de la méthode. Il s’agit de :
— Ptak & Smith(2011,2016) qui définissent puis détaillent les principes fonda-teurs de la méthode. Ces publications définissent la CMJ comme une moyenne mobile de la consommation, sans préciser l’échelle de la fenêtre et elles défi-nissent le DLT comme plus long temps non protégé entre deux buffers, sur la base des fiches articles pré-existantes.
— Smith et al.(2017) etPtak & Smith(2018) qui décrivent le DDAE et son lien de parenté avec la méthode DDMRP décrite par Ptak & Smith(2011,2016). Le DDMRP, plus opérationnel, est ici complété par les premiers fondements des étages de gestion comme le DDS&OP et l’AS&OP qui facilitent les prises de décisions tactiques et stratégiques (se reporter à la figure 2.10 et son explication pour plus de détails).
La seconde thématique principale des publications autour du DDMRP porte sur la clarification de sa mise en place. On trouve dans cette catégorie des publications qui proposent des ajouts théoriques, des études de simulation et des retours d’expériences. Les premiers travaux de ce groupe sont ceux de Ihme & Stratton (2015) et Ihme
(2015) qui portent sur l’évaluation du comportement simulé d’un atelier géré en DDMRP. Ils mettent l’accent sur l’intérêt de l’utilisation de la méthodologie DDMRP pour stabiliser les niveaux de stocks et réduire la nervosité des ateliers.
On peut ajouter à cette branche les travaux de Pekarčíková et al. (2019). Les auteurs reprennent la méthodologie d’implémentation et d’utilisation définie dans la première catégorie de travaux. Ils soulignent certaines limites à l’utilisation de la méthode, par exemple dans les cas où la demande ne serait pas assez stable ou assez fréquente, avec un point de vue proche de la gestion d’une chaîne logistique. Ils concluent sur le fait que :
— toute référence d’une entreprise peut techniquement être gérée par la métho-dologie DDMRP,
— les matières premières avec un long temps de livraison ou avec une longue période entre deux commandes ne seraient pas de bons candidats pour la gestion par le DDMRP,
— la tendance à augmenter les quantités de commande matières premières pour réduire les coûts de passation de commande tend à rendre plus incertaine la gestion de ces références.
Jiang & Rim (2016) présentent quant à eux une étude sur le positionnement optimal des buffers physiques, notamment pour le cas des nomenclatures complexes, c’est-à-dire pour lesquelles un produit peut posséder plusieurs composants. Leur stratégie repose sur le positionnement des buffers de façon à minimiser l’inventaire tout en respectant les contraintes de DLT entre les buffers.
Bahu et al.(2018) et Bahu et al.(2019) font également partie de ce groupe de publications. Ils apportent une synthèse de l’expérience de diverses entreprises dans le choix et la mise en place d’un système géré en DDMRP. Ils soulignent la diversité des environnements où a été déployée la méthode, mais également l’importante initiative nécessaire de la part des entreprises pour définir les paramètres de fonctionnement de l’atelier.
Bayard & Grimaud(2018), pour leur part, choisissent une approche financière pour évaluer les enjeux du passage au DDMRP. Ils montrent l’impact de la méthode sur les besoins en fonds de roulement et relient les valeurs des paramètres de dimensionnement aux performances financières de l’entreprise.
Enfin,Baptiste(2018) etVelasco Acosta et al.(2019) s’intéressent aux impacts du DDMRP dans le cas où les structures de produits possèdent de nombreux niveaux de nomenclature. Ils réitèrent l’importance des choix arbitraires de l’utilisateur lors de la définition des valeurs des paramètres de dimensionnement. Ils mettent également l’accent sur l’impact non négligeable de la position des buffers physiques.
Dans l’ensemble, ce groupe de travaux touche peu, voire pas du tout, à la problématique de paramétrage dynamique. Seule la mise à jour de la CMJ est utilisée par certaines de ces publications et systématiquement selon les recommandations initiales de Ptak & Smith (2011), à savoir l’utilisation d’une moyenne mobile des demandes passées pour obtenir la nouvelle valeur de CMJ.
Une partie des travaux sur le DDMRP depuis sa parution consiste à évaluer sa performance par rapport aux méthodes déjà existantes. Trois groupes d’auteurs se partagent ce groupe thématique et ils s’accordent pour reconnaître l’intérêt de la méthode. Un travail détaillé de comparaison est disponible dans une série de publications par Miclo et al. (2015), Miclo (2016), Miclo et al. (2016a), Miclo
les performances d’un même atelier géré en MRP, en kanban et en DDMRP. Ils montrent que le DDMRP peut assurer de bonnes performances dans un contexte où on retrouve des incertitudes à la fois sur la demande et sur le processus de production.
Ces travaux sont également proches de ceux de Shofa & Widyarto(2017) et de Shofa et al.(2018). Ceux-ci concluent sur l’efficacité du DDMRP dans un contexte incertain en appuyant sur la réduction du temps de défilement obtenue. Dans le même esprit, les travaux deKortabarria et al.(2018) comparent le fonctionnement d’un même atelier entre MRP et DDMRP et mettent an avant la réduction d’en-cours obtenue.
Tous ces travaux se bornent cependant à évaluer la performance du modèle tel qu’il est présenté dans le jeu de définition. Comme précédemment, les auteurs de ce groupe traitent uniquement le problème du paramétrage dynamique via une CMJ variable. Les autres paramètres sont considérés fixes.
Trois publications proposent, pour leur part, une vision axée processus du DDMRP. Elles cherchent à détailler les étapes données par les références de la première catégorie thématique. Il s’agit des travaux de Martin et al. (2018a) et Martin et al. (2018b), mais également Vidal et al. (2018), qui visent à donner des précisions sur l’étage stratégique. Parmi, ces publications, une fois de plus, aucune ne traite directement de paramétrage dynamique.
Enfin, seules quatre publications spécifiques au DDMRP traient directement du contrôle dynamique des paramètres. Les travaux deDessevre et al.(2019a,b) sont centrés sur la mise à jour du DLT dans un atelier géré en DDMRP et soulignent la difficulté de mise à jour de ce paramètre. Ces travaux basent le calcul du DLT sur le suivi des temps de défilement (défini comme le temps qu’un ordre de fabrication d’une référence met entre sa création et sa fin). Ils mettent particulièrement l’accent sur le danger de mettre à jour dynamiquement le DLT qui peut créer un effet d’engorgement de l’atelier. Une situation de cercle vicieux est décrite, dans laquelle, en constatant une augmentation des temps de parcours, on augmente la valeur du DLT. Il s’ensuit une augmentation des tailles de zones des buffers qui implique une augmentation des quantités fabriquées (comme prévu par l’équation2.2). De plus grandes quantités de production viennent à leur tour faire augmenter les temps de parcours et le cercle continue jusqu’à une croissance exponentielle des temps de parcours. Les travaux deMartin et al. (2019) détaillent un processus de correction des paramètres par évènement, similaire à une logique de cartes de contrôle, issue de la maîtrise statistique des processus (voir Pillet(2005)). Ces travaux établissent un ensemble de règles métiers et de seuils de sensibilité, couplés à une surveillance historisée de certaines grandeurs (les grandeurs en question dépendant des règles métiers choisies). Ils proposent une solution de contrôle dynamique aisément explicable à la personne en charge et ne nécessitant pas un nouveau calcul de tous les paramètres à intervalles réguliers. Enfin,Lee & Rim (2019) proposent une méthode alternative de définition de la zone rouge de sécurité des buffers physiques prenant en compte la demande réelle qui s’avère plus performante que celle de Ptak & Smith (2016) dans le cas qu’ils étudient. La validation des résultats est faite en reprenant un modèle d’atelier issu du Ptak & Smith (2016), donc relativement général, et simulé en changeant uniquement la méthode de détermination de la taille de la zone rouge.
2.3.3
Conclusion sur les références spécifiques au DDMRP
A travers l’étude du fonctionnement opératoire du DDMRP, ainsi que des liens avec le DDS&OP, on a pu identifier les paramètres pertinents à contrôler (se reporter au tableau 2.3). On a également vu que les politiques de mise à jour de la CMJ et du DLT étaient disponibles, mais avec peu de détails, dans les publications du cœur de références (première catégorie thématique).
On peut d’ores et déjà répondre quant aux objectifs O1 et O3 qui sont, pour rappel :
O1 quels sont les paramètres pertinents qu’il faut fixer pour un modèle opératoire géré en DDMRP ? Et quel est leur rôle dans le fonctionnement opérationnel de l’atelier ?
O3 quelles méthodes de résolution permettent la redéfinition des paramètres d’un modèle opératoire DDMRP pouvant être complexe (grand nombre de paramètres et espace de recherche important) ? Celles-ci sont-elles viables dans la maille de temps du DDS&OP ?
Grâce aux données se trouvant en 2.3, on a établi que les paramètres pertinents (et leur rôle) pour le DDS&OP sont :
1. la Consommation Moyenne Journalière (CMJ), pour chaque référence gérée dans un buffer,
2. le Decoupled Lead Time (DLT), qui représente le temps d’obtention de chaque référence gérée dans un buffer,
3. le Lead Time Factor, un pourcentage inversement proportionnel à la valeur du DLT de la référence concernée, et qui représente l’incertitude sur le temps réel nécessaire à l’obtention de la référence
4. le Variability Factor (VF), un pourcentage proportionnel à la variation de la demande moyenne de la référence, et qui représente l’incertitude sur les variations de demande,
5. un horizon de détection des pics de demande, qui permet d’anticiper les demandes très élevées si on les connait à l’avance,
6. un seuil de détection des pics, qui permet de définir la hauteur à partir laquelle une commande est considérée comme anormalement élevée,
7. une attribution éventuelle des références en groupes de produits jugés similaire, de façon à leur attribuer les mêmes valeurs de LTF et VF,
8. une éventuelle taille minimale des lots, ou Minimum Order Quantity (MOQ). Concernant l’objectif O3, si certaines méthodes de définition sont présentes dans la littérature spécifique au DDMRP, elles sont peu précises quant à leur cadre d’utilisation. Il n’est pas non plus précisé, en dehors de la CMJ et du DLT quels sont les paramètres qui doivent rester statiques et ceux qui doivent être dynamiques.
Dès lors, on peut affiner la responsabilité du DDS&OP telle que décrite dans Ptak & Smith(2016) vers celle-ci : le DDS&OP vise, en théorie, à détecter un écart de comportement du marché ou du modèle par rapport à l’attendu puis, à y remédier en ajustant les paramètres du modèle à la réalité, grâce à l’utilisation de politiques de contrôle spécifiques.
